轉(zhuǎn)載自? ?ItemCF,基于物品的協(xié)同過濾算法

ItemCF：Item Collaboration Filter，基于物品的協(xié)同過濾

算法核心思想：給用戶推薦那些和他們之前喜歡的物品相似的物品。

比如，用戶A之前買過《數(shù)據(jù)挖掘?qū)д摗?#xff0c;該算法會根據(jù)此行為給你推薦《機器學(xué)習(xí)》，但是ItemCF算法并不利用物品的內(nèi)容屬性計算物品之間的相似度，它主要通過分析用戶的行為記錄計算物品之間的相似度。

==>該算法認為，物品A和物品B具有很大的相似度是因為喜歡物品A的用戶大都也喜歡物品B。

基于物品的協(xié)同過濾算法主要分為兩步：

一、計算物品之間的相似度；

二、根據(jù)物品的相似度和用戶的歷史行為給用戶生成推薦列表；

下面分別來看這兩步如何計算：

一、計算物品之間的相似度：

我們使用下面的公式定義物品的相似度：

其中，|N(i)|是喜歡物品i的用戶數(shù)，|N(j)|是喜歡物品j的用戶數(shù)，|N(i)&N(j)|是同時喜歡物品i和物品j的用戶數(shù)。

從上面的定義看出，在協(xié)同過濾中兩個物品產(chǎn)生相似度是因為它們共同被很多用戶喜歡，兩個物品相似度越高，說明這兩個物品共同被很多人喜歡。

這里面蘊含著一個假設(shè)：就是假設(shè)每個用戶的興趣都局限在某幾個方面，因此如果兩個物品屬于一個用戶的興趣列表，那么這兩個物品可能就屬于有限的幾個領(lǐng)域，而如果兩個物品屬于很多用戶的興趣列表，那么它們就可能屬于同一個領(lǐng)域，因而有很大的相似度。

舉例，用戶A對物品a、b、d有過行為，用戶B對物品b、c、e有過行為，等等；

依此構(gòu)建用戶——物品倒排表：物品a被用戶A、E有過行為，等等；

建立物品相似度矩陣C：

其中，C[i][j]記錄了同時喜歡物品i和物品j的用戶數(shù)，這樣我們就可以得到物品之間的相似度矩陣W。

在得到物品之間的相似度后，進入第二步。

二、根據(jù)物品的相似度和用戶的歷史行為給用戶生成推薦列表：

ItemCF通過如下公式計算用戶u對一個物品j的興趣：

其中，Puj表示用戶u對物品j的興趣，N(u)表示用戶喜歡的物品集合（i是該用戶喜歡的某一個物品），S(i,k)表示和物品i最相似的K個物品集合（j是這個集合中的某一個物品），Wji表示物品j和物品i的相似度，Rui表示用戶u對物品i的興趣（這里簡化Rui都等于1）。

該公式的含義是：和用戶歷史上感興趣的物品越相似的物品，越有可能在用戶的推薦列表中獲得比較高的排名。

下面是一個書中的例子，幫助理解ItemCF過程：

至此，基礎(chǔ)的ItemCF算法小結(jié)完畢。

下面是書中提到的幾個優(yōu)化方法：

（1）、用戶活躍度對物品相似度的影響

即認為活躍用戶對物品相似度的貢獻應(yīng)該小于不活躍的用戶，所以增加一個IUF（Inverse User Frequence）參數(shù)來修正物品相似度的計算公式：

用這種相似度計算的ItemCF被記為ItemCF-IUF。

ItemCF-IUF在準確率和召回率兩個指標(biāo)上和ItemCF相近，但它明顯提高了推薦結(jié)果的覆蓋率，降低了推薦結(jié)果的流行度，從這個意義上說，ItemCF-IUF確實改進了ItemCF的綜合性能。

（2）、物品相似度的歸一化

Karypis在研究中發(fā)現(xiàn)如果將ItemCF的相似度矩陣按最大值歸一化，可以提高推薦的準確度。其研究表明，如果已經(jīng)得到了物品相似度矩陣w，那么可用如下公式得到歸一化之后的相似度矩陣w'：

最終結(jié)果表明，歸一化的好處不僅僅在于增加推薦的準確度，它還可以提高推薦的覆蓋率和多樣性。

用這種相似度計算的ItemCF被記為ItemCF-Norm。

以上內(nèi)容參考自《推薦系統(tǒng)實踐》

總結(jié)

以上是生活随笔為你收集整理的ItemCF,基于物品的协同过滤算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。